Inférence de Wasserstein VAE pour les motifs de trading fondés sur les moyennes mobiles et le stochastique MA

Résumé

L’article présente un processus d’apprentissage par inférence pour des configurations construites à partir de moyennes mobiles et de l’oscillateur stochastique. Il définit l’inférence comme l’estimation d’une structure latente à partir de données observées, puis décrit un autoencodeur variationnel de Wasserstein qui encode les données de caractéristiques, d’état, d’action et de récompense en une représentation latente. Un objectif de discrepancy de moyenne maximale sert à aligner les distributions encodées sur un a priori ; un modèle de régression linéaire distinct estime les valeurs manquantes dans l’ensemble de données combiné. Les modèles sont entraînés en Python et intégrés à un processus MetaTrader.

L’évaluation rapportée utilise des données de 2023 à 2024, avec une période de validation couvrant les six derniers mois de 2024. Selon l’auteur, seules les configurations 1 et 5 semblent bénéficier de cette courte évaluation, tandis que la configuration 2 n’en bénéficie pas. Le texte fourni ne donne aucun chiffre de performance et indique implicitement que les éléments disponibles proviennent d’une fenêtre limitée d’entraînement et de test ; la robustesse plus générale et le transfert à d’autres marchés ne sont pas établis.

Idées clés

• L’inférence est présentée comme un moyen d’estimer une structure cachée à partir de données de trading observées.
• Un autoencodeur variationnel de Wasserstein VAE compresse les informations de caractéristiques, d’état, d’action et de récompense en représentations latentes.
• La discrepancy de moyenne maximale sert à comparer les distributions encodées à un a priori.
• La régression linéaire sert à inférer les valeurs manquantes dans l’ensemble de données combiné.
• Dans la courte évaluation rapportée, seules les configurations 1 et 5 sont décrites comme bénéficiant de l’inférence.

Étiquettes

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.